键领域部署这

 

是的。那么在这些情况下会发生什么，首先，当我们训练我们得到的这些模型时，我们说，嗯，你知道，我们在这个特定的数据集中得到的错误率。一个问题是，当您将其投入生产时，您不知道这些错误的发生率在现实世界中是相同的，对吧：您最终可能会遇到这样一种情况，即您获得的数据点导致错误的比率比您在数据集中的错误率高得多。只有一个问题。第二个问题是，如果你处于一个用例中，如果你的生产，你知道，应用程序，那么错误可能会付出代价，比如在医疗用例或自动驾驶中，当你必须回去解释为什么你出错了，为什么模型出错了，而这与人类出错的地方有如此奇怪的不同。

 

这是我们今天没有在安全关

 

些系统的根本原因之一。顺便说一句，这就是我们创建夹板的根本原因之一，就是为了专门解决这些问题，就是弄清楚我 卡塔尔 电话号码 们如何创建一组模型或一个系统，能够具体理解模型何时做对了，并且当他们在运行时出错时。因为我真的认为这是我们目前没有取得应有进展的根本原因之一。这是因为当模型工作得非常好时，呃，当他们能够对数据进行建模时，那么他们就会工作得很好。但对于他们无法对这部分数据进行建模的情况，错误简直令人难以置信，对吧这是人类永远不会制造的东西约翰•詹奇：错误。耶耶耶。而且，显然，你知道，在任何人信任发送由人工智能或其他东西引导的载人航天器之前，这肯定是必须解决的，对吗我的意思是，当险之中时，你就知道，你必须有信任。

 

你知道人的生命处于危

因此，我想，如果你不 洪都拉斯电话号码列表 能相信这个决策，那肯定会阻止人们使用这项技术。肯尼思•温格：对吗或者，例如，正如我所说，使用它们来帮助医疗领域，例如癌症诊断，对吧如果您希望模型能够检测某些类型的癌症（例如活检扫描），您希望能够信任该模型。现在任何东西、任何模型本质上都会犯错误。没有什么是完美的，但你希望发生两件事。首先，您希望能够最大限度地减少模型可能犯的错误类型，并且您需要有一些迹象表明模型的预测质量不佳。你不想拥有那个。是的。其次，一旦发生错误，你必须能够辩护说，错误发生的原因是因为数据的质量，你知道，即使是人类也无法做得更好。